深入正则表达式及其底层原理及优化（自动机的三种匹配模式）

正则表达式语法：

.匹配任意字符

-指定范围，如1-9代表1到9之间的所有数字

*代表匹配零次或多次之前的段落 AB*表示A，AB，ABB，ABBB等

+代表匹配多次之前的段落 AB+表示AB，ABB，ABBB等

?代表之前的字符可有可无 AB？表示A，AB

|表示或者，（"A"|"B"）表示字符A或字符B

^a只能匹配以小写字母为行首的行: "a..."

a$ 只能匹配以小写字母为行尾的行: "...a"

^a$只能匹配a

()为括号内的为一组，优先运算

[] 为字符集合，[ABc]匹配的字符为ABc，括号中的^代表否定，[^ABC]代表除了ABC之外的所有字符

{} 指出一个模式可能出现的次数,{1,5}代表前面段落出现为1到5次

\s为空白符，\S为非空白符，则[\s\S]代表所有字符

\w匹配字母、数字、下划线

\d匹配所有数字单个字符,\D匹配所有非数字单个字符

\b：表示字母数字与非字母数字的边界， 非字母数字与字母数字的边界。

\B：表示字母数字与(非非)字母数字的边界，非字母数字与非字母数字的边界。

另外如果文本中有正则表达式的关键字，那么加\表示转义，那么\\代表斜杠本身，\.代表需要匹配文本中的.

[\u4e00-\u9fa5]为中文字符匹配

运算优先级：

从高到低：

转义符>圆括号和方括号>限定符>定位点和序列（即：位置和顺序）>或

\>(), (?:), (?=), []>*, +, ?, {n}, {n,}, {n,m}>^, $, \char>|

零宽断言：

 两个正则表达式提取出想要的内容完全可以用零宽断言处理

(?=exp) 零宽度正预测先行断言,后面为exp才匹配，但是不算在捕获组中

(?<=exp) 零宽度正回顾后发断言，前面为exp才匹配，但是不算在捕获组中

(?!exp) 零宽度负预测先行断言，前面不为exp才匹配，但是不算在捕获组中

(?<!exp) 零宽度负回顾后发断言，后面不为exp才匹配，但是不算在捕获组中

举几个栗子：

零宽度正预测先行断言

123hello
456hello
789hello

如何只匹配前面是456的hello匹配呢

(?<=456)hello

零宽度正回顾后发断言

123hello
456hello
789hello

如何只匹配前面不是456的hello匹配呢

(?<!456)hello

零宽度负预测先行断言

hello123
hello456
hello789

如何只匹配后面是456的hello匹配呢

hello(?=456)

零宽度负回顾后发断言

hello123
hello456
hello789

如何只匹配后面不是456的hello匹配呢

hello(?!456)

简单的例子：

IP地址正则表达式：

^((25[0-5]|2[0-4]\d|[01]?\d\d?)\.){3}(25[0-5]|2[0-4]\d|[01]?\d\d?)$

首先IP地址的区间为0.0.0.0~255.255.255.255

250-255 有 25[0-5]

200-249 有 2[0-4]\d

0-200 有 [01]?\d\d?

0-255就有(25[0-5]|2[0-4]\d|[01]?\d\d?)

.在正则表达式中有含义，那加上\则表示原来的字符

前三个末尾带“.”，重复三次就有((25[0-5]|2[0-4]\d|[01]?\d\d?)\.){3}

再带上末尾的就有((25[0-5]|2[0-4]\d|[01]?\d\d?)\.){3}(25[0-5]|2[0-4]\d|[01]?\d\d?)

加上前后定位符即可以判断是否这段字符串为正则表达式

^((25[0-5]|2[0-4]\d|[01]?\d\d?)\.){3}(25[0-5]|2[0-4]\d|[01]?\d\d?)$

底层原理：

自动机有三种匹配模式：贪婪模式、懒惰模式、独占模式

常用的NFA自动机，该自动机具有贪婪特性，会尽可能匹配多的字符

举个简单的例子：

string="Today is a nice day."

regex="day"

首先拿d和T匹配发现不成立，再拿d和o作比较也不匹配，往后，d匹配，再看第二个字符a符合，如此找到匹配项目day

大概原理就是这样，实际上会做很多优化，但是其原理不变

回溯会花费CPU资源

贪婪模式：

string="ABBC"

regex="AB{1,3}C"

正则表达式中的B{1,3}会匹配string的前两个BB，也会比较第三个C，然后发现不同，就会回溯，最后开始C的匹配，匹配成功

当B{1,3}后面加了“？”，以后就会变成懒惰模式：

string="ABBC"

regex="AB{1,3}？C"

正则表达式中的B{1,3}会匹配string的第一个B，然后就会拿regex的C和string的第二个B比较，发现不匹配，就会回溯，然后再拿B{1,3}再和string的第二个B和第三个B做比较,最后匹配成功

当在B{1,3}之后加多一个 + 符号，那么原先的贪婪模式就会变成独占模式，就不会发生回溯了

string="ABBC"

regex="AB{1,3}+BC"

B{1,3}把两个B全占据了，结果string中的C和regex的BC做匹配结果发现无法匹配

优化字符匹配效率：

当用户输入的字符串过大的时候，会产生大量回溯，在保证正确的情况下可以将其转换为独占模式，可大量减少回溯，减少CPU消耗率

下面是正则表达式在C++中的调用：

  C++下的正则表达式入门_星空_AZ的博客-CSDN博客